LinearSVC中“penalty”和“loss”的含义答案

【问题标题】：Meaning of `penalty` and `loss` in LinearSVCLinearSVC中“penalty”和“loss”的含义
【发布时间】：2021-10-19 11:26:17
【问题描述】：

反关闭序言：我已阅读问题“difference between penalty and loss parameters in Sklearn LinearSVC library”，但我发现那里的答案不够具体。因此，我正在重新提出问题：

我我熟悉 SVM 理论，我正在 Python 中试验 LinearSVC 类。但是，documentation 对penalty 和loss 参数的含义还不是很清楚。我认为loss 是指对违反边距的点的惩罚（通常在目标函数中用希腊字母 xi 或 zeta 表示），而penalty 是确定类边界的向量范数，通常用 w 表示。任何人都可以确认或否认这一点吗？

如果我的猜测是正确的，那么penalty = 'l1' 将导致向量 w 的 L1-范数最小化，例如套索回归。这与 SVM 的最大边际概念有何关系？谁能指出我关于这个问题的出版物？在original paper describing LIBLINEAR 中，我找不到任何对 L1 惩罚的参考。

另外，如果我的猜测是正确的，为什么当dual=False 时LinearSVC 不支持penalty='l2' 和loss='hinge' 的组合（SVC 中的标准组合）？尝试时，我得到了

ValueError：不支持的参数集

【问题讨论】：

标签： python scikit-learn svm liblinear

【解决方案1】：

虽然很晚，但我会尽力给出答案。根据doc，这是LinearSVC 考虑的原始优化问题： ,phi 是恒等矩阵，因为LinearSVC 只解决线性问题。

实际上，这只是LinearSVC 承认的可能问题之一（它是 LIBLINEAR 论文中的 L2-regularized、L1-loss ) 而不是默认的（L2-regularized, L2-loss）。 LIBLINEAR 论文对第 2 章中称为 loss 的内容给出了更一般的表述，然后进一步详细说明了附录 (A2+A4) 中称为 penalty 的内容。

基本上，它表明 LIBLINEAR 旨在使用不同的loss 函数xi(w;x,y)（即hinge 和squared_hinge）解决以下无约束优化pb； LIBLINEAR 中模型的默认设置不考虑偏差项，这就是为什么从现在开始您将看不到任何对 b 的引用（关于此的 SO 上有很多帖子）。

、hinge 或 L1-loss
、squared_hinge 或 L2-loss。

对于penalty 而言，基本上这代表了使用的向量w 的规范。附录详细阐述了不同的问题：

L2-正则化，L1-loss（penalty='l2'，loss='hinge'）：
L2-regularized, L2-loss (penalty='l2', loss='squared_hinge'), 默认在LinearSVC:
L1-regularized, L2-loss (penalty='l1', loss='squared_hinge'):

相反，如文档中所述，LinearSVC 不支持 penalty='l1' 和 loss='hinge' 的组合。据我所知，该论文没有具体说明原因，但我找到了一个可能的答案here（在 Arun Iyer 的答案中）。

最终，penalty='l2'、loss='hinge'、dual=False 的组合实际上不受here 中指定的支持（它只是未在 LIBLINEAR 中实现）或here；不确定是否是这种情况，但在附录 B 之后的 LIBLINEAR 论文中，它指定了已解决的优化 pb（在 L2-regularized 的情况下，L1-loss 似乎是双重的）。

对于一般 SVC pbs 的理论讨论，我发现that chapter 非常有用；它显示了w 范数的最小化与最大边距的概念之间的关系。

【讨论】：